基于神经网络的地铁隧道健康监测分析-analysis of subway tunnel health monitoring based on neural network.docxVIP

摘要近年来，随着社会、经济的发展和城市化进程的加快，地面交通难以满足发展需求，城市地下空间的开发与利用得到了人们的重视和关注，发展轨道交通已成为各大城市的首选。由于地铁人流量巨大，且地铁区间隧道及车站通常是位于地下，一旦出现任何安全问题，必然造成巨大的生命财产损失和严重的社会影响。如何保护正在运行中的地铁隧道，掌握其工作状况，已成为一个越来越现实的问题。结构损伤识别技术是当前土木工程领域研究的热点和难点问题，很多学者进行了大量的研究，相关的理论和技术都在不断的发展之中。本文根据结构损伤前后的动力特性的不同，利用神经网络的鲁棒性、容错性和泛化能力，以地铁隧道为例，采用两步法确定出结构的损伤位置和损伤程度。本文在研究国内外大量有关结构损伤识别和神经网络资料的基础上，根据桥梁结构以及大型结构的损伤识别与神经网络的发展前景，利用有限元Abaqus及MATLAB程序将振动模态分析理论和BP以及RBF神经网络相结合应用于地铁隧道损伤识别中，同时实现对损伤位置与损伤程度的识别，形成一套基于振动模态分析理论和BP以及RBF神经网络的地铁隧道损伤识别方法。首先，本文对基于振动模态分析理论的损伤识别方法进行了探讨。在此过程中分析了该方法的基本原理和过程，较详细地研究了损伤识别的模态频率法、模态振型差法、曲率模态/应变模态法、柔度差法和柔度曲率法以及刚度曲率法的基本原理、优劣特性及适用范围。本文尝试利用低阶频率观测数据，将“频率变化平方比”作为结构损伤敏感特征，发展了仅基于频率数据的地铁隧道的损伤定位方法。其次，利用大型有限元分析软件Abaqus，分别模拟未考虑岩土作用和考虑岩土作用的隧道结构损伤前后的频率变化，得到结构在各种损伤状态下的频率变化。实现为地铁隧道健康监测的损伤分析提供训练样本。然后，本文对基于BP神经网络的损伤识别方法进行了研究。利用对结构损伤敏感的频率作为识别参数,将振动模态分析技术和BP神经网络技术相结合实现对地铁隧道损伤识别。之后，本文详细研究了径向基神经网络。径向基函数(RBF)神经网络是一种具有单隐层的三层前馈网络，在一定程度上克服了BP网络的缺点。应用RBF神经网络对地铁隧道的损伤状况诊断进行了数值仿真，得到的结果与期望值相比较误差较小。表明该网络具有收敛速度快、鲁棒性好、精度高的特点，是适用于小样本输入以及对隧道损伤检验的。最后，对全文所做的工作进行了总结，并对下一步研究工作进行了展望。关键词：地铁隧道；神经网络；损伤识别；结构健康监测IIAbstract硕士研究生学位论文AbstractInrecentyears,withthedevelopmentofsociety,economyandtheaccelerationof urbanization,thegroundtransportationtomeettheneedsofdevelopment,thedevelopmentof railtransithasbecomethefirstcitiesbecauseofurbanundergroundspacedevelopmentand utilizationoftheobtainedpeoplesattentionandconcern.Sotherailtransportationhasbecome thefirstcities.Duetothemetropassengerandsubwaytunnelandundergroundstationisusually locatedinanysecurityproblems.Heavylossesoflife,propertyandserioussocialinfluence whenanysafetyproblems.Thatbecomeamorerealisticproblemishowtoprotectthesubway tunnelrunningandgrasptheirworkingconditions.Damageidentificationtechnologyisahotissueofdifficultyincurrentcivilengineering area.Thecorrelativetheoryandtechnologieswhichareresearchedbymanyscholarsareon development.Accordingtothedynamiccharacteristicdifferencebetweenaprototypestructure andadamagestructure,utilizingrobustness,faulttolerationandgeneralizationabilityofneural netwo